Spark 2.0將json讀入數據幀，並在鍵中帶有引號-與Spark 1.6的行為不同……錯誤？

Question

不幸的是，我們不得不處理混亂的傳入json數據，並且發現Spark 2.0（pyspark）處理json密鑰中的引號的方式有所不同。

如果我們將以下內容用作示例文件（sample.json）：

{"event":"abc"}
{"event":"xyz","otherdata[\"this.is.ugly\"]":"value1"}

在Spark 1.6.2中，我們可以運行以下命令並獲得結果：

from pyspark import  SparkConf
from pyspark.sql import SQLContext
conf = SparkConf()
conf.setAppName('temp_quotes')

sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)

data =     sqlContext.read.json("sample.json")
data.printSchema()

結果是：

root
 |-- event: string (nullable = true)
 |-- otherdata["this.is.ugly"]: string (nullable = true)

表演時我們可以看到數據：

data.show(2)

+-----+-------------------------+
|event|otherdata["this.is.ugly"]|
+-----+-------------------------+
|  abc|                     null|
|  xyz|                   value1|
+-----+-------------------------+

但是，在Spark 2.0中運行相同的代碼將顯示相同的架構：

from pyspark import  SparkConf
from pyspark.sql import SQLContext
conf = SparkConf()
conf.setAppName('temp_quotes')

sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)

data =     sqlContext.read.json("sample.json")
data.printSchema()

root
 |-- event: string (nullable = true)
 |-- otherdata["this.is.ugly"]: string (nullable = true)

但是演出失敗了：

data.show(2)

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/spark/python/pyspark/sql/dataframe.py", line 287, in show
    print(self._jdf.showString(n, truncate))
  File "/usr/lib/spark/python/lib/py4j-0.10.1-src.zip/py4j/java_gateway.py", line 933, in __call__
  File "/usr/lib/spark/python/pyspark/sql/utils.py", line 69, in deco
    raise AnalysisException(s.split(': ', 1)[1], stackTrace)
pyspark.sql.utils.AnalysisException: u'Unable to resolve otherdata["this.is.ugly"] given [event, otherdata["this.is.ugly"]];'

這是錯誤還是我缺少的Spark 2.0中的參數？

Answer 1

我相信可以在https://issues.apache.org/jira/browse/SPARK-16698（JSON密鑰中的點）中解決此問題。 該修復程序計划在2.0.1中發布。

（我沒有足夠的聲譽來發表評論）